基于粒計算的多尺度聚類方法.pdf

1、數(shù)據(jù)挖掘是指從海量數(shù)據(jù)中發(fā)現(xiàn)隱藏的、有價值的知識和規(guī)則的過程。聚類分析是其中一項重要的挖掘技術，已經(jīng)得到了研究人員的密切關注，并且在模式識別、金融經(jīng)濟分析、市場決策、圖像處理等領域有廣泛的應用。多尺度科學是典型的跨學科課題，將多尺度科學引入數(shù)據(jù)挖掘領域，為數(shù)據(jù)挖掘領域的研究打開了新的思路和方向。
　　針對于多尺度數(shù)據(jù)挖掘多局限于空間、圖像數(shù)據(jù)的缺陷，本文以聚類為切入點，主要研究一般數(shù)據(jù)集的尺度特性以及多尺度聚類的理論和方法，目的是

2、多角度、多層次的對數(shù)據(jù)進行分析，為用戶提供多元化的決策支持。粒計算是解決復雜問題、挖掘海量數(shù)據(jù)的新方法。粒計算模擬了人類思考問題的方式，多層次分析問題，根據(jù)實際需要，時而從整體上分析宏觀特征，時而進入某一部分研究細節(jié)特點。這種“分而治之”的思想與多尺度聚類是非常契合的。因此，本文將粒計算作為宏觀層面的方法論基礎，指導多尺度聚類的算法設計，為多尺度聚類算法提供新的視角。
　　論文以粒計算中的等價劃分模型為基礎，構建多尺度數(shù)據(jù)模型，為

3、多尺度聚類算法提供數(shù)據(jù)預處理方法;闡述尺度轉換、尺度效應、尺度選擇的相關知識，研究多尺度聚類理論基礎;提出多尺度聚類的定義，從粒子的角度分析多尺度聚類的實質(zhì)，最終構建多尺度聚類體系結構，為多尺度聚類提供算法框架;同時，基于信息粒度改進相似度計算方法，結合斑塊模型和IDW插值法，分別提出多尺度聚類尺度上推算法和多尺度聚類尺度下推算法。
　　本文以多尺度聚類為研究核心，主要完成了如下工作:
　　1)研究多尺度聚類理論基礎

4、　　針對目前多尺度聚類存在的問題，從多尺度數(shù)據(jù)模型、尺度轉換、尺度效應、尺度選擇四個方面對多尺度聚類的理論基礎進行研究。首先，從粒計算中的等價劃分模型出發(fā)，分析數(shù)據(jù)集中的等價關系，并參考?；椒?，提出一般數(shù)據(jù)集尺度化的方法，并給出尺度、尺度劃分、多尺度數(shù)據(jù)集、祖-孫尺度、父-子尺度的數(shù)學定義;其次，歸納尺度轉換的原因和分類;然后，分析尺度效應的定義以及尺度效應的具體體現(xiàn);最后，給出多尺度聚類尺度選擇的三大原則和三個量化標準，為后續(xù)多尺度

5、聚類算法的實現(xiàn)提供基礎。
　　2)構建多尺度聚類算法框架
　　首先，結合聚類和尺度知識，明確多尺度聚類的定義;其次，從粒子的角度分析多尺度聚類的實質(zhì)——知識的尺度轉換，指出多尺度聚類尺度轉換的對象應該是能夠代表聚類的特征描述符，如簇心、簇內(nèi)相似度等;最后，搭建多尺度聚類體系結構，歸納出多尺度聚類的三個階段:數(shù)據(jù)的多尺度轉換、知識的多尺度轉換、多尺度決策，為算法設計提供指導框架和實現(xiàn)思路。
　　3)提出多尺度聚類算法

6、r>　　首先，基于信息粒度提出改進的相似度計算方法。在此基礎上，根據(jù)多尺度聚類體系結構，結合已有的尺度轉換方法，提出基于斑塊模型的多尺度聚類尺度上推算法UAMC((U)pscaling(A)lgorithm of(M)ulti-scale(C)lustering)和基于IDW插值法的多尺度聚類尺度下推算法DAMC((D)ownscaling(A)lgorithm of(M)ulti-scale(C)lustering)。
　　4)